論文の概要: Observation-dependent Bayesian active learning via input-warped Gaussian processes

• arxiv url: http://arxiv.org/abs/2602.01898v1
• Date: Mon, 02 Feb 2026 10:05:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.061753
• Title: Observation-dependent Bayesian active learning via input-warped Gaussian processes
• Title（参考訳）: 入力ワープされたガウス過程によるベイズ能動学習
• Authors: Sanna Jarl, Maria Bånkestad, Jonathan J. S. Scragg, Jens Sjölund,
• Abstract要約: 本稿では,学習されたモノトーン再パラメータ化によって入力空間を歪曲することで,観測依存性のフィードバックを注入することを提案する。 このメカニズムにより、設計ポリシーは、観測された可変性に応じて入力空間の領域を拡大または圧縮することができる。 このようなワープは限界的可能性によって訓練できるが、新規な自己監督的目標が性能を著しく向上させることを示す。
• 参考スコア（独自算出の注目度）: 4.519209749095341
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Bayesian active learning relies on the precise quantification of predictive uncertainty to explore unknown function landscapes. While Gaussian process surrogates are the standard for such tasks, an underappreciated fact is that their posterior variance depends on the observed outputs only through the hyperparameters, rendering exploration largely insensitive to the actual measurements. We propose to inject observation-dependent feedback by warping the input space with a learned, monotone reparameterization. This mechanism allows the design policy to expand or compress regions of the input space in response to observed variability, thereby shaping the behavior of variance-based acquisition functions. We demonstrate that while such warps can be trained via marginal likelihood, a novel self-supervised objective yields substantially better performance. Our approach improves sample efficiency across a range of active learning benchmarks, particularly in regimes where non-stationarity challenges traditional methods.
• Abstract（参考訳）: ベイズ能動学習は未知の関数の風景を探索するために予測の不確実性の正確な定量化に依存する。 ガウス過程のサロゲートはそのようなタスクの標準であるが、その後続のばらつきはハイパーパラメータを通してのみ観測された出力に依存するため、実際の測定にはほとんど反応しない。 本稿では,学習された単調再パラメータ化によって入力空間を歪曲することで,観測依存性のフィードバックを注入することを提案する。 この機構により、設計ポリシーは、観測された可変性に応じて入力空間の領域を拡大または圧縮し、分散ベースの取得関数の挙動を形作ることができる。 このようなワープは限界的可能性によって訓練できるが、新規な自己監督的目標が性能を著しく向上させることを示す。 提案手法は,特に非定常性が従来の手法に挑戦する制度において,様々なアクティブラーニングベンチマークのサンプル効率を向上させる。

関連論文リスト

• Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
  連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。 私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。 FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
  論文  参考訳（メタデータ） (2025-06-03T05:27:56Z)
• When Machine Learning Meets Importance Sampling: A More Efficient Rare Event Estimation Approach [29.286353206449643]
  定常状態におけるタンデム待ち行列の希少事象確率を推定するシミュレーションタスクについて検討する。 既存の文献では、経路依存確率関数の爆発的分散のため、重要サンプリング法が非効率であることを認識している。 本稿では,定常分布における限界確率比を有効利用し,過度な分散の問題を効果的に回避する新しい重要サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2025-04-18T07:25:56Z)
• A Robotics-Inspired Scanpath Model Reveals the Importance of Uncertainty and Semantic Object Cues for Gaze Guidance in Dynamic Scenes [8.64158103104882]
  本稿では,物体のセグメンテーションと視線挙動を相互接続的にシミュレーションする計算モデルを提案する。 このモデルでは,サスカディック・モーメントや事前サカディック・アテンションなどの拡張が可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-02T15:20:34Z)
• Pessimistic Causal Reinforcement Learning with Mediators for Confounded Offline Data [17.991833729722288]
  我々は新しいポリシー学習アルゴリズム PESsimistic CAusal Learning (PESCAL) を提案する。 我々のキーとなる観察は、システム力学における作用の効果を媒介する補助変数を組み込むことで、Q-関数の代わりに媒介物分布関数の下位境界を学習することは十分であるということである。 提案するアルゴリズムの理論的保証とシミュレーションによる有効性の実証、および主要な配車プラットフォームからのオフラインデータセットを利用した実世界の実験を提供する。
  論文  参考訳（メタデータ） (2024-03-18T14:51:19Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• Stochastic Vision Transformers with Wasserstein Distance-Aware Attention [8.407731308079025]
  自己教師付き学習は、限られたラベル付きデータから知識を得るための最も有望なアプローチの1つである。 我々は、不確実性と距離認識を自己教師付き学習パイプラインに統合する新しいビジョントランスフォーマーを導入する。 提案手法は,多種多様なデータセットを対象とした多種多様な実験において,自己教師付きベースラインを超える精度とキャリブレーションを実現する。
  論文  参考訳（メタデータ） (2023-11-30T15:53:37Z)
• MARS: Meta-Learning as Score Matching in the Function Space [79.73213540203389]
  本稿では,一連の関連するデータセットから帰納バイアスを抽出する手法を提案する。 機能的ベイズニューラルネットワーク推論を用いて、前者をプロセスとみなし、関数空間で推論を行う。 本手法は,データ生成プロセスのスコア関数をメタラーニングすることにより,複雑な事前知識をシームレスに獲得し,表現することができる。
  論文  参考訳（メタデータ） (2022-10-24T15:14:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。